🔍 耿同学打假报告

论文信息

论文来源：2351.pdf
标题：A dynamic graph structure optimization diagnosis
作者：Zhiyuan Hu, Yangde Lin, Jianrong Li, Juan Lyu
机构：天津科技大学人工智能学院
期刊：文本中未明确提供期刊名称（疑似会议论文或预印本）
DOI：未提供
发表年份：基于参考文献推断为 2024 年及以后

综合评定：🔴 实锤

详细发现

发现 1：参考文献集体“撞车”，卷号页码离谱捏造（第六式：引用与方法学异常）

位置：References 部分
描述：在短短的参考文献列表中，出现了多处违背常理的卷号和页码捏造。最典型的是以下三篇文献：
- Ref 2：IEEE Transactions on Parallel and Distributed Systems 2(5), 99–110 (2023).
- Ref 11：IEEE Transactions on Industrial Informatics 2(5), 99–110 (2023).
- Ref 15：IEEE Transactions on Industrial Informatics 2(5), 99–110 (2023).
证据：
1. 完全一致的编造特征：三篇完全不同的顶刊（或同一顶刊的不同文章），在 2023 年竟然都“恰好”是第 2 卷第 5 期，且页码“恰好”都是 99-110。这种概率在现实中无限趋近于零。
2. 违背期刊发展事实：以 IEEE Transactions on Industrial Informatics (TII) 为例，该刊创刊于 2005 年，到了 2023 年其卷号应该是 Vol. 19，绝不可能是 Vol. 2。而 IEEE TPDS 到 2023 年已经是 Vol. 34。
严重程度：🔴 （极大概率是作者利用某些工具生成文献时产生的“幻觉”，或者直接照搬了某个虚假模板，属于严重的学术不端）

发现 2：表格数据大面积“复制粘贴”充数（第二式：数据造假检测）

位置：Table 1 (Page 10) & Table 2 (Page 10-11)
描述：作者为了展示模型在不同参数下的表现，列出了大篇幅的表格，但只要稍微定睛一看，就会发现表格中存在大量一模一样的“复读机”数据行。
证据：
- Table 1 中：参数为 Cora, 0.5, 3, 0.01, 250, 0.01, 250 的配置，作者直接复制粘贴了至少 5 次（分布在表格的第1、7、11、15、17行附近）。结果每次都是 0.8305 / 0.83759 和 0.8540 / 0.8665 交替出现。
- Table 2 中：同样存在大量重复行。例如参数 CiteSeer, 0.01, 250... 的结果 0.6589 / 0.6994 和 0.7270 / 0.7605 重复出现了至少 4 次。
严重程度：🔴 （为了让论文看起来实验工作量巨大、数据详实，采取简单的 Copy-Paste 策略，严重破坏了数据的真实性和有效性）

发现 3：违背常理的性能吹嘘与话术（第四/五式：统计学与产出异常）

位置：Abstract & Section 4.4 Experimental results
描述：作者在摘要和实验结果中声称：“During the experiment, the DG-SOD model showed excellent performance... The accuracy of bearing fault diagnosis increased to 65%”。
证据：
- 极其低劣的准确率：在目前的轴承故障诊断领域（尤其是使用知名的开源数据集如 CWRU），基础的深度学习模型（如 CNN, ResNet）准确率通常都能轻松达到 95% 甚至 99% 以上。作者仅仅取得了 65% 的准确率，这在故障诊断领域几乎等同于“瞎猜”级别，但作者却用 “excellent performance”（卓越的性能）来描述，并自称提供了“new ideas”（新思路）。这种倒退式的“优异成果”是对领域常识的挑战。
严重程度：🟠 （可能是模型设计完全失败，但通过文字包装强行挽尊；或者是对基础领域知识的极度匮乏）

发现 4：异常的参数命名与“注水”公式（第五/六式：量产型学术与方法学异常）

位置：Table 1 解释部分 & Section 4.2
描述：文中出现了一些在图神经网络和终身学习中极为罕见、且缺乏定义的参数，并且加入了毫无必要的公式。
证据：
- 神秘的“Annual”：表格说明中出现了 annual_epochs 和 annual_lr（年度迭代次数、年度学习率？）。终身学习或图神经网络中根本不存在“年度”这个常规维度，除非特定的时间序列网络。这强烈暗示作者可能是不懂原意进行了机翻，或者是东拼西凑其他论文的参数表格忘记修改。
- 注水公式：在 4.2 节，作者竟然把最基础的 TF-IDF 公式（公式 2, 3, 4）详细写了一遍。这在成熟的 GNN 论文中是完全没有必要的（通常只需引用文献即可），纯粹是为了拉长篇幅、增加“学术感”的注水行为。
严重程度：🟡 （属于典型的低质量“灌水”论文特征，逻辑松散）

发现 5：图片分析受限说明

位置：Figure 1 - Figure 4
描述：由于当前输入仅为文本提取内容，无法提取 Figure 1-4 的原始像素信息。
证据：无法进行 Western Blot 等常规图片的 PS 痕迹（如泳道拼接、背景突变）检测和像素级相似度比对。但基于其表格数据的 Copy-Paste 表现，其生成的流程图（如 Fig 4）也有高度同质化嫌疑。
严重程度：无法判断

耿同学辣评

这篇论文简直就是学术界“拼夕夕”版的量产杰作。参考文献的卷号页码能像复制粘贴代码一样三连“撞车”（还是伪造的），Table 1 和 Table 2 更是深谙“只要我不尴尬，重复的数据就能凑出一篇大作”的精髓。最离谱的是，现在连轴承故障诊断准确率只有 65% 都敢吹成“卓越性能”了，这就好比你考试刚及格，拿着卷子到处宣扬自己是清华苗子——建议作者先去搞懂基础的学术规范，再来碰瓷图神经网络吧！

建议后续行动

联系作者要求提供原始数据（尤其是 Table 1 和 Table 2 中那些重复出现的代码日志）
在 PubPeer 上提出质疑（重点挂出 Ref 2, 11, 15 的造假证据）
向期刊/会议编辑部举报（如若发表，建议撤稿）
向作者所在机构（天津科技大学）学术委员会举报

⚠️ 免责声明

本报告由 AI 辅助生成，仅供学术讨论参考。
学术不端的最终认定需要专业机构调查。
我们支持学术诚信，但也尊重每一位研究者的名誉权。
如有异议，请以官方调查结论为准。
本工具不保证检测结果的准确性，误报和漏报均有可能。

A dynamic graph structure optimization diagnosis